在逻辑回归中，选择合适的优化算法对于模型收敛速度和稳定性至关重要。我们来分析各个选项：

A: **"lbfgs"慢但稳健**
- `lbfgs`（Limited-memory Broyden–Fletcher–Goldfarb–Shanno）是一种拟牛顿法，因其使用有限内存而特别适用于大规模问题。它一般被认为是稳健的，并且在许多情况下速度不错，尤其是在处理中小型数据集时。

B: **"newton-cg"不能处理多分类,但比lbfgs快**
- `newton-cg` 是一种基于牛顿法的优化算法，适合于大规模线性问题。实际上，它能够处理多分类任务，特别是对于具有多类标签的softmax回归。速度方面，`newton-cg`在某些情况下可能比`lbfgs`更快，但这取决于具体的数据集和问题特征。

C: **"sag"处理大型的列和行，二分类**
- `sag`（Stochastic Average Gradient）是一种适合于大规模数据集的优化算法，尤其是在行和列都非常多的情况下。它对二分类问题表现良好，但也可以用于多分类问题，通过一些改进版本，如`SAGA`。

根据以上分析，选择最合适的选项：

- A是部分正确的。
- B不完全正确，因为`newton-cg`能处理多分类。
- C部分正确，但`SAG`也可用于多分类。

因此，以上说法都不完全正确，没有一个选项是完全正确的。如果非要选择最接近正确的可能是C，但考虑多分类时应该用SAGA。